經濟政策不確定性、投資者情緒與銀行系統性風險傳染

王周偉 李凱琪

收稿日期：2023-06-10

基金項目：國家自然科學基金面上項目“結構變化中銀行系統性金融風險的多維多重傳染研究”（71973098）

作者簡介：王周偉，男，山西聞喜人，博士，教授，研究方向為金融管理、空間金融、金融計量；李凱琪，女，研究方向為金融風險管理、金融計量。

摘? ?要：面對經濟政策不確定性和投資者情緒，銀行業需承擔應對經濟衰退、化解銀行風險和實現經濟高質量穩定增長的責任。本文利用MVMQ-CAViaR模型測度了2008—2021年所有上市銀行的系統性風險，構建面板門限回歸模型和面板平滑轉換模型，研究在投資者情緒轉換作用下經濟政策不確定性影響銀行系統性風險多重傳染的邊際效應結構變化。研究表明：投資者情緒具有顯著的區制轉換效應，使經濟不確定性影響銀行系統性風險多重傳染的凈邊際效應，以指數轉換模式發生結構變化。據此提出正確處理經濟政策不確定性與銀行系統性風險的關系，投資者要保持理性情緒以及監管部門要加強監管的建議。

關? 鍵? 詞：經濟政策不確定性；投資者情緒；銀行系統性風險；風險傳染；指數平滑轉換模式

中圖分類號：F832? ? ? ?文獻標識碼：Ａ? ? ? ? ?文章編號：2096-2517（２０24）０1－0０18－14

DOI：10.16620/j.cnki.jrjy.2024.01.003

一、引言

作為“三大攻堅戰”的首位，防范化解重大風險是我國一直以來十分重視的問題，“十四五”規劃中再次提出要“維護金融安全，守住不發生系統性風險底線”。 處在百年未有之大變局的重要戰略機遇時期，我國的經濟發展同時面臨著經濟政策不確定性和金融系統風險溢出等諸多挑戰。 在我國金融機構中銀行部門發揮著主導作用，銀行在面臨金融風險溢出的同時還需承受經濟政策不確定性帶來的負面沖擊[1]。如2008年金融危機爆發、2010年影子銀行不斷涌現、2013年出現“錢荒”事件、2018年中美貿易摩擦不斷升級、2020年俄羅斯和沙特爆發石油戰以及2020年以來全球新冠疫情大爆發，這些風險事件的發生無疑給銀行的穩定發展帶來了諸多問題和挑戰[2]。面對日益加大的經濟政策不確定性，銀行需承擔應對經濟衰退、化解系統性金融風險和助力實體經濟高質量穩定發展的責任。因此，研究經濟政策不確定性對銀行系統性風險傳染的沖擊影響及其結構變化，具有重要的實踐意義。

學者們大多研究銀行系統性風險的度量、經濟政策不確定性對銀行系統性風險的影響，較少涉及投資者情緒在其中起到的作用。例如，投資者情緒低落會帶來股市羊群效應， 導致投資者拋售股票，加劇銀行的震蕩，在經濟政策不確定性上升的時候，會增加銀行系統性風險[3]。所以，投資者情緒的不同會使經濟政策不確定性對銀行系統性風險的影響產生變化。那么，經濟政策不確定性對銀行系統性風險會產生什么影響？投資者情緒對銀行系統性風險產生什么影響？ 在投資者情緒的作用下，經濟政策不確定性對銀行系統性風險的影響如何變化？厘清這些問題不僅有助于有針對性地制定經濟政策，而且對防范和化解重大風險起著至關重要的作用。因此，本文將具體探討經濟政策不確定性和投資者情緒對銀行系統性風險的影響。

本文的邊際貢獻主要在于：（1） 不同于單方程估算，也不同于多方程的分步估計，為系統反映兩個銀行之間的風險傳染關聯、風險因素關聯與外部沖擊關聯， 綜合測度其引致的關聯傳染風險，本文構建多元多分位數條件自回歸（MVMQ-CAViaR）模型，系統擬合了銀行風險的多重多源、循環連鎖的兩個層次八種復雜關聯傳染效應特征；（2） 選用面板門限回歸模型，證實了經濟政策不確定性對銀行系統性風險多重傳染的影響存在結構變化；（3）選用面板平滑轉換模型，探索出在投資者情緒的轉換作用下經濟政策不確定性影響銀行系統性多重風險傳染的邊際效應平滑變化模式。

二、文獻綜述

（一）銀行系統性風險的測度

作為風險管控領域的核心問題，銀行系統性風險傳染測度的主流指標有增量條件風險價值（ΔCoVaR）、邊際系統預期損失（MES）、增量條件預期損失（ΔCoES）、相對系統性風險指數（%SRISK），其中增量條件風險價值是應用最為廣泛的指標，它等于銀行風險狀態下的條件風險價值（CoVaR）減去其正常狀態下的條件風險價值[4]。對于CoVaR的測度，韓超等（2019）構建了時變Copula模型計算系統性風險值[5]；李守偉等（2019）在時變Copula模型的基礎上進行了動態測度[6]；謝賢君等（2023）構建了AR-GARCH-DCC模型計算系統性風險值[7]；郭品等（2023）利用GRJ-GARCH-Coupla-CoVaR模型測算了銀行系統性風險水平[8]；方意等（2023）選用雙重ΔCoVaR模型研究銀行系統性風險的溢出效應[9]。大部分學者采用分位數回歸的方法計算銀行系統性風險[10-12]。在分位數回歸法的基礎上，White等（2015）將CAViaR模型擴展成為多元多分位數CAViaR（即MVMQ-CAViaR）模型，揭示出市場風險是相互影響、相互傳染的[13]。

（二）經濟政策不確定性對銀行系統性風險的影響

有學者研究了經濟政策不確定性對銀行系統性風險的影響。孫琪（2018）研究表明，經濟政策不確定性會通過作用于融資流動性進一步影響系統性風險，且經濟政策不確定性對系統性風險具有顯著的促進作用[14]；馮燕妮等（2020）構建貝葉斯估計時變參數模型研究發現，經濟政策不確定性正向顯著作用于股市系統性風險， 經濟政策不確定性越高，股市的系統性風險越大[15]；蔣海等（2021）發現經濟政策不確定性與銀行間網絡關聯性的增加均會帶來銀行業系統性風險，且銀行間網絡關聯性在經濟政策不確定性對銀行業系統性風險的影響中發揮中介作用[16]；歐陽資生等（2023）認為經濟政策不確定性對金融機構系統性風險具有顯著的促進作用[3]；顧海峰等（2022）研究表明，經濟政策不確定性顯著正向作用于銀行系統性風險，且銀行家樂觀度會抑制經濟政策不確定性對銀行系統性風險的促進作用[2]；李洋等（2021）在構建銀行風險傳染網絡的基礎上研究發現，經濟政策不確定性的提高會通過銀行的風險傳染和自身的脆弱性顯著增加銀行系統性風險[17]；周亮等（2022）研究發現，經濟政策不確定性正向顯著作用于銀行系統性風險，且經濟政策不確定性的提高會通過降低投資者的意愿從而增加銀行系統性風險[18]；Demir等（2021）選取不同國家的銀行面板數據研究發現，經濟不確定性導致銀行信貸總體增長率下降[19]；黃大禹等（2022）認為經濟政策不確定性會通過增加銀行不良貸款而降低商業銀行績效水平，這種效應在小規模的銀行中更加明顯[20]；劉鳳根等（2023）從金融機構脆弱性、金融市場脆弱性、風險傳染性三個層面系統梳理了經濟政策不確定性與系統性金融風險的相關研究，發現經濟政策不確定性的提高會加劇系統性金融風險的傳染[21]；張琳等（2022）從“沖擊”和“傳染”兩個維度考察了政策連續性對銀行系統性風險的影響[22]。

（三）投資者情緒對銀行系統性風險的影響

學者們的研究主要聚焦于銀行系統性風險的測度及其影響因素，較少涉及投資者情緒對銀行系統性風險的影響。童中文等（2016）研究表明投資者情緒顯著負向作用于銀行系統性風險，投資者情緒高漲可以抑制銀行系統性風險的形成[23]；佟孟華等（2018）通過測度上市金融機構的系統性風險發現， 投資者情緒正向顯著作用于系統性風險，即投資者情緒越高漲， 上市金融機構的系統性風險越大[24]；宋玉臣等（2020）構建了非線性MS-VAR模型，研究發現投資者情緒的區制轉換及其作用機制會導致系統性風險的積聚，并提出風險狀態轉換的相關建議[25]；邢紅衛等（2021）研究表明投資者情緒會帶來系統性風險，且投資者情緒低落帶來的股價暴跌風險大于投資者情緒高漲帶來的股價暴跌風險[26]；張宗新等（2022）認為投資者情緒對銀行系統性風險的作用呈倒U型，投資者情緒低落會增加銀行系統性風險，投資者情緒高漲會減少銀行系統性風險[27]。

綜上，大部分文獻都是分別研究經濟政策不確定性或者投資者情緒各自對銀行業系統性風險的作用，但研究經濟政策不確定性與投資者情緒對銀行業系統性風險傳染的聯合作用的文獻很少。因此，本文以2008年1月至2021年12月的14家上市銀行為樣本， 利用MVMQ-CAViaR模型測度2008—2021年所有上市銀行的系統性風險， 并構建面板門限回歸模型和面板平滑轉換模型，研究在投資者情緒轉換作用下經濟政策不確定性影響銀行系統性風險多重傳染的邊際效應結構變化。

三、理論分析與研究假設

銀行風險之間的系統性傳染主要有跳躍波動關聯[28]、股價信息關聯[29]、同業資產負債業務關聯[30-31]和共同資產價格關聯[32]四個路徑。經濟政策不確定性增加，會加大實體經濟運營風險，降低銀行資產收益，同時也會提高銀行資金使用費用，壓縮凈利差，會加劇銀行經營風險和信用風險，凈增加銀行的被動性風險承擔與破產風險，經過同業資產負債業務關聯，銀行風險增加會溢出傳染給其他銀行[2]。如果進一步響應到金融市場上，經濟政策不確定性上升會加劇上市銀行的股價崩盤風險，這些多源的銀行風險累加，還會通過跳躍波動關聯、股價信息關聯和共同資產價格關聯，多重傳染疊加溢出給其他銀行吸收， 倍增該銀行的系統性風險多重傳染。因此，本文提出假設。

假設1：經濟政策不確定性顯著正向影響銀行系統性風險多重傳染。

正常情況下，投資者情緒高漲時，會增加市場流動性，提升交投活躍度，推動金融市場理性繁榮，減弱上市銀行的股價崩盤風險，也會順周期地提升銀行市場價值，增加違約距離，減少信用風險，這些減弱的銀行風險會通過跳躍關聯、股價信息關聯和共同資產價格關聯， 溢出傳染給相關其他銀行[33]。且大部分投資者在獲取信息的數量、資金管理能力與交易風格等方面不同，對投資收益以及波動的預期存在差異，投資者產生負面情緒時，低落的投資者情緒引發羊群效應，會對市場穩定和銀行等機構產生短期和長期沖擊[3]。因此本文提出以下假設。

假設2：投資者情緒顯著負向影響銀行系統性風險多重傳染。

經濟政策不確定性引致的銀行系統性風險多重傳染，主要是通過跳躍波動關聯、股價信息關聯與共同資產價格關聯等金融市場渠道傳染的。投資者情緒是金融資產定價的核心因子，情緒波動會引發金融市場上銀行資產價格波動，誘發跳躍波動幅度與頻率變化，導致股價信息關注強度變化，推動銀行共同資產價值彈性變化，由此會調節經濟政策不確定性帶來的銀行資產風險溢價彈性及其系統性風險多重傳染的邊際貢獻。作為市場因素，投資者情緒變化會經過銀行風險共振關聯傳染，特別是投資者負面情緒，會顯著提升銀行系統性風險多重傳染的范圍、 深度與概率， 加快風險傳染速度。此外，投資者應對經濟政策頻繁調整所持有的情緒越高漲時，投資者越看好未來政策調控效果，進一步對銀行信貸投資決策及行為產生影響[2]。投資者情緒對經濟政策不確定性與銀行系統性風險關系的轉換作用機制如下：高漲的情緒說明投資者認為經濟政策不確定性引發的負面效應在可控范圍內，于是待經濟形勢好轉后適度增加信貸資產配置，減少了流動性危機的蔓延。投資者情緒較高會更傾向于追求長期利益而減少盈余管理等短視行為，不僅提高了銀行組織內部的治理能力，也使銀行抗風險能力得以提升，從而有效抑制了經濟政策調整對銀行系統性風險的負面作用。在經濟政策不確定性增加時， 金融監管部門格外注重流動性的跨周期調節，并在滿足銀行流動性需求的前提下實施前瞻性管理，由此使得投資者情緒高漲，進而降低了銀行系統性風險水平。因此，本文提出以下假設。

假設3： 投資者情緒具有顯著的區制轉換效應，使經濟不確定性影響銀行系統性風險多重傳染的凈邊際效應發生結構變化。

本文理論分析邏輯路線如圖1所示。

四、實證研究方法設計

（一）銀行系統性風險多重傳染的測度與模型設定

1. 利用MVMQ-CAViaR模型估算銀行業條件風險價值及增量條件風險價值

第i個銀行對銀行業（s）的系統性傳染風險，即第i個銀行對銀行業的風險溢出，選用增量條件風險價值測度。

？駐CoVaRsit=CoVaRsit（0.95）-CoVaRsit（0.5） （1）

其中，CoVaRsit（0.95）是在95%的置信水平下，銀行i對銀行業的尾部風險溢出（銀行業條件風險價值）；CoVaRsit（0.5）是在正常情況下，銀行i對銀行業的尾部風險溢出（銀行業條件風險價值）。

White等（2015）將傳統的單方程CAViaR模型擴展成為多元多分位數CAViaR模型（即MVMQ-CAViaR模型）[13]。作為聯立多方程結構模型，把兩個機構的風險指標作為內生變量，把風險因素與風險傳染源作為外生變量， 設立MVMQ-CAViaR模型，就可以系統估算多種風險來源與風險傳染源及外部沖擊對兩個機構風險的多重交互影響，檢驗雙向風險溢出的存在性以及方向性。而且風險具有累積可加性，在模型中引入滯后項，就可以描述兩個機構之間風險傳染的動態影響過程。這些都是單方程建模分析很難實現的， 由此本文選用MVMQ-CAViaR模型估算銀行業條件風險價值。

銀行風險傳染主要源自自身風險序列影響、自身及相鄰機構與銀行業的市場沖擊與風險傳染，因此設估算銀行業條件風險價值的MVMQ-CAViaR模型為：

qit（？茲）=ci+aii|Yit-1|+ais|Yst-1|+bii（？茲）qit-1（？茲）+? ?bis（？茲）qst-1（？茲）qst（？茲）=cs+asi|Yit-1|+ass|Yst-1|+bsi（？茲）qit-1（？茲）+? ?bss（？茲）qst-1（？茲） （2）

其中，下標i表示銀行i（i=1，2，…，n），下標s表示銀行業，下標t表示時期（t=1，2，…，T）；qit（？茲）、qst（？茲）分別表示在？茲置信水平下銀行i、銀行業s的尾部風險；|Yit-1|、|Yst-1|是銀行i、 銀行業s的收益率絕對值，其用來代表金融機構沖擊，且其滯后一期的正向沖擊和負向沖擊具有相同的作用效果；qit-1（？茲）、qst-1（？茲）是滯后一期的銀行i、銀行業s尾部風險，其用來描述尾部風險的自相關特征。系數矩陣為A=aii aisasi ass和B=bii bisbsi bss， 其中系數矩陣A中的主對角線表示前期銀行i或銀行業s受到的金融機構沖擊對當期銀行i或銀行業s自身尾部風險的影響，非主對角線的上三角元素表示了前期銀行業s受到的金融機構沖擊對當期銀行i的尾部風險的影響，非主對角線的下三角元素表示了前期銀行i受到的金融機構沖擊對當期銀行業s的尾部風險的影響。系數矩陣B中的主對角線表示前期銀行i或銀行業s的尾部風險對當期銀行i或銀行業s自身尾部風險的序列相關影響，非主對角線的上三角元素表示了前期銀行i受到的尾部風險對當期銀行業s的尾部風險的影響，非主對角線的下三角元素表示了前期銀行業s的尾部風險對當期銀行i的尾部風險的影響。

分別在0.95和0.5置信水平下估計MVMQ-CAViaR模型，就可以得到在0.95和0.5置信水平下的銀行業條件風險價值CoVaRsit（0.95）和CoVaRsit（0.5）。

該模型具有收益率聯合分布特征無先驗性的優勢，用最大似然估計法求解模型聯合似然函數，可以得到模型參數估計值。在得到參數估計值矩陣后，需要進行顯著性檢驗，因此構建Wald統計量，檢驗尾部風險的溢出效應是否顯著。

（R？茁-r）'［R×VC×R］-1（R？茁-r）■？姿2（n） （3）

其中，R是m×n約束矩陣；m是約束方程的個數；n是系數的個數；VC為系數的方差-協方差矩陣。

2.利用面板門限回歸模型探索結構變化效應

為了驗證假設3，研究經濟政策不確定性影響銀行系統性風險多重傳染的結構變化，本文首先建立面板門限回歸模型，驗證經濟政策不確定性影響銀行系統性風險多重傳染有沒有結構變化， 回答“是否存在結構變化”問題。然后，用面板平滑轉換模型，探索分析投資者情緒的轉換作用，以及經濟政策不確定性影響銀行系統性風險多重傳染的邊際效應結構變化模式，進一步驗證假設3，回答“結構如何變化”問題[34]。

對于面板數據{yit，xit，qit：1≤i≤n，1≤t≤T}，其中i表示個體，t表示時間，固定效應門限回歸模型如下：

yit=？滋i+？茁1xit+？著it，若qit≤？酌yit=？滋i+？茁2xit+？著it，若qit>？酌? （4）

其中，yit為被解釋變量；個體截距項為？滋i，其若顯著存在表明這是固定效應模型； 解釋變量xit為外生變量向量，與擾動項？著it不相關；？茁1、？茁2為解釋變量xit向量的參數向量； 擾動項？著it為獨立同分布的正態隨機項；qit為門限變量（可以是解釋變量xit的一部分）；？酌為待估計的門限值。

門限效應檢驗的原假設H0為：？茁■■=？茁■■，即不存在門限效應；備擇假設H1為：？茁■■≠？茁■■，即存在門限效應。LR檢驗統計量為：

（5）

其中，RSS為原假設約束下的殘差平方和；RSS為無原假設約束的殘差平方和。

3.利用面板平滑轉換模型探索結構變化模式

固定效應的面板平滑轉換模型的表達式為[35]：

yit=a+xit ？茁+G（sit；c，？酌）zit？琢+ui+？著it

G（st；c，？酌）=

［1+exp（-？酌（sit-c））］-1 Logistic，LSTR1-exp（-？酌（sit-c）2） Exponential，ESTR？椎（？酌（sit-c）） Normal，NSTR （6）

其中，yit為被解釋變量；a為常數項；？茁為解釋變量的參數向量；xit 為線性作用的解釋變量向量；zit為非線性平滑轉換作用的解釋變量向量；？琢為變量向量zit的參數向量；G（st；c，？酌）是平滑轉換函數，其值介于0和1之間，其轉換模式有邏輯轉換（LSTR）、指數轉換（ESTR）和正態轉換（NSTR）三種模式；？酌為平滑轉換系數，大于0，反映平滑轉換的速度和平滑度，當？酌→∞，G（st；c，？酌）成為指示函數；？椎（·）為正態分布函數；sit為發揮平滑轉換作用的轉換變量；uit是個體效應，允許其與xit或zit相關。

（二）變量指標選用

1.被解釋變量。為驗證三個假設，選取銀行業系統性風險多重傳染作為被解釋變量。

2.解釋變量與轉換變量。（1）經濟政策不確定性是增加銀行系統性風險多重傳染的重要途徑之一[16]，因此本文選取經濟政策不確定性作為核心解釋變量。 本文選取的經濟政策不確定性指數是由Baker等根據關鍵詞統計合成得到[16]。（2）為驗證模型的穩健性， 本文收集了Steven J.Davis等給出的經濟政策不確定性指數。（3） 投資者情緒是許多學者研究的熱點問題。本文采用換手率反映銀行股票交投活躍程度和購買意愿及流動性好壞程度，結合股價漲跌反映的樂觀和悲觀情緒，組合測度銀行股票的投資者情緒[36]。

3.控制變量。（1）選取銀行微觀特征作為控制變量。銀行規模、成本收入比和存貸比反映了銀行的盈利能力及情況，不良貸款率和資本充足率反映了銀行的業績水平和銀行股基本面的好壞。（2）選取部分宏觀變量作為控制變量， 如貨幣供應量、銀行間同業拆借加權利率、滬深300收益率、居民消費價格指數和經濟發展增速。滬深300收益率度量了股票市場波動性，貨幣供應量和銀行間同業拆借加權利率反映了當前貨幣市場情況，居民消費價格指數反映了通貨膨脹和貨幣購買力變動情況，經濟發展增速影響著中央銀行的管理決策和銀行業的發展。

各變量定義說明如表1所示。

（三）樣本選取與數據收集

本文選取2008之前已經上市的所有銀行共14家，包括中國銀行、工商銀行、交通銀行、建設銀行等4家國有銀行，平安銀行、浦發銀行、民生銀行、招商銀行、華夏銀行、興業銀行、中信銀行等7家股份制銀行，寧波銀行、南京銀行、北京銀行等3家城市發展銀行。這些銀行占據了近80%的中國銀行系統資產，包含了70%左右原銀保監會認定的系統重要性金融機構，能較好地反映中國銀行業的主要特征。 收集了2008年1月1日至2021年12月31日期間的銀行日交易收盤價， 共3605條數據，用于測度銀行系統性風險和投資者情緒變量的日數據，將日數據平均得到月度數據，銀行股價數據來自國泰安數據庫。銀行層面的其他數據來自同花順iFind數據庫和銀行的季度報告， 將銀行的季度報告數據插值平滑得到月度數據。經濟政策不確定性指數來自Baker統計的數據， 投資者情緒指數和其余控制變量來自國泰安和同花順iFind數據庫。其中，選取收盤價一階差分的對數來計算股價的對數收益率，并將其擴大100倍。其中，銀行業的收益率通過對14家銀行的收益率進行加權平均得到，即rmt=■witrit，權重為各自銀行的總市場價值比重。

五、實證結果及分析

（一）描述性統計情況

主要變量的描述性統計情況如表2所示。14家上市銀行的系統性風險的最小值和最大值分別是-6.2209、-0.8061，經濟政策不確定性指數取對數后的最小值和最大值分別是3.2636、6.8782，投資者情緒的最小值和最大值分別是-0.0115、0.0412，這表明不同月份不同銀行的系統性風險、投資者情緒以及經濟政策不確定性存在較大的差異，符合研究的基本需求。另外，銀行層面和宏觀層面的控制變量的最小值和最大值存在較大的差異，兩者與均值也存在差距，這表明了本文選取控制變量的正確性與必要性。

（二）各變量的平穩性檢驗與各變量之間的協整關系檢驗結果與分析

為避免偽回歸，建立面板回歸模型，需要利用單位根檢驗驗證樣本數據的平穩性，利用協整檢驗驗證指標數據之間的協整關聯。 面板平穩性LLC檢驗的最大滯后期設置為12，面板平穩性IPS檢驗的最大滯后期設置為8， 兩個檢驗結果都表明，除存貸比之外的其他指標數據都不存在單位根，這些指標數據是平穩的。 在進行LLC檢驗和IPS檢驗時，存貸比結果出現不一致的情況，進一步做HT檢驗，其p值為0.0074并小于0.05，也表明存貸比面板數據不存在單位根過程。

采用KAO和PO檢驗進行協整檢驗， 檢驗結果表明面板數據變量之間存在協整關系，應該建立多方程模型做系統估計。

（三）經濟政策不確定性和投資者情緒分別影響銀行系統性風險多重傳染的實證結果及分析

為驗證假設1和假設2，本文利用固定效應和隨機效應的面板回歸模型，把銀行系統性風險多重傳染作為被解釋變量，以經濟政策不確定性和投資者情緒分別作為核心解釋變量，銀行層面和宏觀層面的變量指標作為控制變量，檢驗經濟政策不確定性和投資者情緒對銀行系統性風險多重傳染的影響。表3報告了固定效應和隨機效應的面板回歸結果，并做了效應識別的豪斯曼檢驗。豪斯曼檢驗的p值均小于0.05， 因此拒絕原假設， 可以認為固定效應的面板回歸結果更佳。且對經濟政策不確定性和投資者情緒對銀行系統性風險的影響分別進行多重共線性檢驗，VIF值均小于5，表明不存在嚴重的共線性問題。

從表3可以看出，經濟政策不確定性及其時間滯后項均正向顯著影響銀行系統性風險多重傳染，經濟政策不確定性每增加1個單位，銀行當期的系統性風險多重傳染會隨之增加0.0413個單位，銀行下一時期的系統性風險多重傳染會隨之顯著增加0.0867個單位。 這是由于經濟政策不確定性增加會加劇銀行經營風險和信用風險，經過同業資產負債業務關聯， 銀行風險增加會溢出傳染給其他銀行，還會通過跳躍波動關聯、股價信息關聯和共同資產價格關聯， 多重傳染疊加溢出給其他銀行吸收，倍增該銀行的系統性風險多重傳染。

投資者情緒負向顯著作用于銀行系統性風險多重傳染，投資者情緒每高漲1個單位，銀行的當期系統性風險多重傳染就會減少16.2931個單位，銀行下一時期的系統性風險多重傳染就會顯著減少10.0885個單位。 這是由于投資者情緒高漲會增加市場流動性，提升交投活躍度，推動金融市場理性繁榮，也會順周期地提升銀行市場價值，增加違約距離，減少信用風險，且這些減弱的銀行風險會通過跳躍關聯、 股價信息關聯和共同資產價格關聯，溢出傳染給相關其他銀行。

銀行風險會通過跳躍關聯、股價信息關聯和共同資產價格關聯等路徑傳染，因此銀行吸收整個銀行業的傳染風險正向影響銀行系統性風險多重傳染。作為銀行層面的控制變量，銀行規模正向顯著作用于銀行系統性風險多重傳染。而成本收入比和存貸比可以反映出銀行的盈利能力，因此成本收入比正向顯著影響銀行系統性風險多重傳染，而存貸比可以減少銀行系統性風險多重傳染。 因此，降低成本收入比以及增加存貸比可以減少銀行系統性風險多重傳染。作為宏觀層面的控制變量，貨幣供應量、銀行間同業拆借加權利率、居民消費價格指數和滬深300收益率的增加，都會在一定程度上增加銀行系統性風險多重傳染。

選取Steven J.Davis等構建的另外一種經濟政策不確定性指數，代替Baker的經濟政策不確定性指數，對模型結果作穩健性檢驗，也得到了類似的結論（見表3）。至此，假設1和假設2得到驗證。經濟政策不確定性顯著正向影響銀行系統性風險多重傳染，而投資者情緒顯著負向影響銀行系統性風險多重傳染。

（四）經濟政策不確定性影響銀行系統性風險多重傳染的門限效應檢驗結果與分析

1.門限估計值的檢驗

為驗證假設3， 本文利用面板門限回歸模型，以投資者情緒作為門限變量，探究投資者情緒的轉換作用及其對經濟政策不確定性影響不同銀行的系統性風險多重傳染的邊際效應結構變化的調節作用存在性。門限效應檢驗結果如表4所示。

由表4可知， 投資者情緒為在5%水平上顯著的門限轉換變量， 其顯著具有單個門限值0.0016，模型具有單一門限效應。因此，單個門限值為具有狀態轉換效應的解釋變量總體作用（包含線性作用和非線性作用）的轉換門限值。

圖2為利用似然比估計法對門限值進行的似然比檢驗統計量值。圖2中折線的最低點為門限估計值0.0016， 折線與虛線的兩個交點即為門限值95%的置信區間［0.0013，0.0017］，門限估計值在真實性檢驗的置信區間內。

2.門限回歸結果與分析

表5報告了基準回歸結果。

由表5的基準回歸結果可知，在不同程度的投資者情緒作用下，經濟政策不確定性對銀行系統性風險多重傳染的影響不同。 當投資者情緒低于0.0016時，經濟不確定性對銀行系統性風險多重傳染的顯著影響為0.0972，這說明經濟不確定性會顯著增加銀行系統性風險多重傳染；當投資者情緒高于0.0016時，經濟不確定性對銀行系統性風險多重傳染的影響為0.0769，這說明在投資者情緒高漲的時候，經濟不確定性增加系統性風險的力度有所下降。這是由于投資者負面情緒會顯著提升銀行系統性風險多重傳染的范圍、深度與概率，加快風險傳染速度。因此，隨著投資者情緒高漲，經濟政策不確定性使銀行系統性風險多重傳染的凈效應發生結構轉換。穩健回歸結果（見表3）得到類似的結論，假設3的結論是穩健的。

就控制變量而言， 銀行間同業拆借加權利率、居民消費價格指數和滬深300收益率在一定程度上都會正向作用于銀行系統性風險多重傳染。

（五）經濟不確定性影響銀行系統性風險多重傳染的平滑轉換效應檢驗結果與分析

1.平滑轉換效應的實證結果

由理論分析和表5驗證結果可知，在投資者情緒的轉換效應下，經濟不確定性影響銀行系統性風險多重傳染的凈效應發生了結構轉換。門限模型是探究投資者情緒的轉換作用及其對經濟政策不確定性影響不同銀行的系統性風險多重傳染的邊際效應結構變化的調節作用存在性，需要進一步使用面板平滑轉換模型，研究在投資者情緒的轉換作用下經濟政策不確定性邊際效應的動態轉換模式，進一步證實假設3成立。

為驗證加入平滑轉換項的合理性，本文首先建立多元線性回歸模型且對模型進行拉姆齊非線性平滑轉換檢驗，從而確定是否存在非線性平滑轉換效應。 拉姆齊非線性檢驗的F檢驗統計量值為101.27，p值為0.0000且在1%水平下顯著。這表明，使用非線性平滑轉換模型具有合理性，繼而建立單變量兩區制的面板平滑轉換模型，探索分析經濟政策不確定性邊際效應的動態轉換模式。

表6報告了面板平滑轉換模型的回歸結果。其中，第（1）列是LSTR模型回歸的結果，第（2）列是ESTR模型回歸的結果，第（3）列是NSTR模型回歸的結果。在三種面板平滑轉換模型中，比較擬合優度R2、BIC、HQIC值的大小可以發現， 擬合優度基本相當，但ESTR模型的BIC和HQIC最低。因此，ESTR平滑轉換模型優于LSTR和NSTR模型， 下面用ESTR模型回歸結果分析在投資者情緒的轉換作用下經濟政策不確定性的邊際效應結構變化模式。

由表6中ESTR模型回歸的結果可知，在投資者情緒比較低，低于其門限值-0.0051時，平滑轉換函數為正值且趨于0，經濟不確定性的非線性作用部分趨于0或者比較小，此時經濟不確定性對銀行系統性風險多重傳染產生正向線性影響，意味著經濟不確定性增加了系統性風險，需要對經濟不確定性進行監管。投資者情緒會調節經濟政策不確定性帶來的銀行資產風險溢價彈性及其系統性風險多重傳染的邊際值。隨著投資者情緒的高漲，其值超過門限值-0.0051時，平滑轉換函數為正值且趨于1， 經濟不確定性的非線性作用部分從趨于零轉換到顯著負向影響系統性風險，此時經濟不確定性的正向作用難以抵消投資者情緒的負向影響，從而整體上減少系統性風險，并帶來“投資者樂觀情緒高漲的羊群效應”問題[14]。對于線性作用部分，銀行層面的銀行規模和成本收入比會正向影響系統性風險；存貸比的提高表明銀行的業績水平良好，可以減少銀行的系統性風險。而滬深300收益率、銀行間同業拆借加權利率、居民消費價格指數、貨幣供應量都會正向作用于銀行系統性風險。

2. 經濟政策不確定性的邊際效應結構變化圖形及分析

把指數平滑轉換模型的Lnr參數轉換成r，得到r參數估計值顯著為5273.4284， 表明在單變量兩區制之間的轉換速度和平滑程度為5273.4284， 該數值相對比較大，表明模型非線性效應的轉變并不是一個相對平緩的過程，根據模型的參數可以把此轉換過程可視化為圖3。

從圖3可以看出，整體上經濟不確定性產生的非線性作用在投資者情緒的區間內比較陡峭地變化。當投資者情緒在區間（-0.014，-0.005）時，投資者情緒的提高將會導致平滑轉換函數比較平穩地減少。當投資者情緒在區間（-0.005，0.005）時，投資者情緒的提高將會導致平滑轉換函數比較平穩地增加。隨著投資者情緒高漲，平滑轉換的速度也隨之加快。 當投資者情緒大約在區間（0.005， 0.02）內，投資者情緒的高漲使得平滑轉換函數比較陡峭地增加。當投資者情緒超過0.02以后，平滑轉換函數長期趨于1，比較平穩地保持不變。

3.指數平滑轉換模型設定的合理性驗證

接下來，對指數平滑轉換模型的殘差進行線性檢驗，驗證指數平滑轉換模型的合理性。檢驗結果如表7所示。

表7的結果顯示，第一部分泰勒展開式一至四階的系數p值均大于0.05，并不顯著，表明殘差部分不存在非線性部分；第二部分泰勒展開式的四階線性檢驗的結果也不顯著，說明殘差部分也不存在非線性部分；第三部分的p值大于0.05，接受原假設，再次說明殘差部分不存在非線性部分。因此，殘差部分不存在非線性部分，說明指數平滑轉換模型的非線性部分作用比較顯著，證實了所選模型的合理性。這說明在投資者情緒的轉換作用下，經濟政策不確定性非線性作用于銀行系統性風險多重傳染， 其邊際作用結構變化為指數平滑轉換模式。

至此，假設3得到進一步證實，即投資者情緒具有顯著的區制轉換效應，使經濟不確定性影響銀行系統性風險多重傳染的凈邊際效應，按指數平滑模式發生結構變化。

六、結論與建議

本文以14家上市銀行為研究樣本， 通過MVMQ-CAViaR模型估算銀行系統性風險多重傳染，并基于面板基準回歸、面板門限回歸模型和面板平滑轉換模型，研究經濟政策不確定性和投資者情緒對銀行系統性風險多重傳染的邊際效應及結構變化，研究發現：

1. 經濟政策不確定性與投資者情緒對上市銀行系統性風險的影響方向與大小存在差異。具體來看，經濟政策不確定性會對銀行系統性風險產生顯著的正向影響，即經濟政策不確定性越大，銀行系統性風險越高。同時，投資者情緒對銀行系統性風險產生顯著的負向影響，抑制銀行系統性風險多重傳染。即投資者情緒越高漲，銀行系統性風險越低，反之，銀行系統性風險越高。

2. 投資者情緒會調節經濟政策不確定性影響銀行系統性風險多重傳染的邊際效應變化，且具有顯著的區制轉換作用，使經濟政策不確定性影響銀行系統性風險多重傳染的邊際效應發生結構變化。

3.投資者情緒以指數平滑轉換模式調節，使經濟政策不確定性對銀行系統性風險多重傳染具有顯著的線性作用和非線性作用。經濟不確定性的非線性作用部分從趨于零轉換到顯著負向影響系統性風險，此時經濟不確定性的正向線性作用難以抵消投資者情緒的負向影響，從而整體上減少系統性風險。

基于上述研究結論，提出如下政策建議：

1. 正確處理經濟政策不確定性與銀行系統性風險的關系。政府應該執行跨周期一致協調的“雙支柱”宏觀審慎調控經濟政策[37]，在實施貨幣政策和財政政策時，要對政策未來的趨勢進行合理的預期并制定具有穩定性的經濟政策。通過降低經濟政策的不確定性， 穩定實體經濟和銀行的經營環境，防范和化解銀行重大風險多源多重傳染。 此外，政府在制定經濟政策時要綜合考慮投資者預期，提振投資者在危機時期的信心，實現經濟政策對系統性風險的抑制作用。

2.投資者要保持理性情緒，對銀行經營狀況等信息要有理性認知。在數字化時代，互聯網普及，信息快速傳遞。投資者要學會信息篩選，剔除不真實不準確的信息，從而做出正確的投資決策，轉換經濟政策不確定性對銀行系統性風險的作用。

3.監管部門要健全監管體系，建立公開透明的信息制度，及時化解銀行系統性風險的多源多重傳染。銀行與投資者之間存在信息不對稱，使得投資者極易出現羊群效應和非理性投資行為，加大金融市場的波動，阻礙金融市場的穩定運行。監管部門要建立完善透明的信息制度，減少機構與投資者間因信息不對稱而發生的非理性行為。此外，需要調控好輿情，并關注投資者情緒對系統性風險的傳導效應。針對投資者的非理性恐慌情緒，及時干預股票市場股價的波動和銀行異常的管理行為。 管理部門還應致力于穿透式監管，注重底層資產風險的識別與披露，在不同類型資產業務間建立風險隔離機制，謹防同業業務風險溢出。

參考文獻：

［1］王之揚，王歡，夏凡.經濟政策不確定性對銀行風險承擔的影響［J］.武漢金融，2022（7）：41-53.

［2］顧海峰，朱慧萍.經濟政策不確定性是否會影響銀行系統性風險？［J］.系統工程理論與實踐，2022，42（9）：2350-2366.

［3］歐陽資生，陳世麗，楊希特，等.經濟政策不確定性、網絡輿情與金融機構系統性風險［J］.管理科學學報，2023，26（4）：62-86.

［4］王周偉，魏鵬飛.中國上市銀行增量長期條件風險價值估算研究［J］.統計與信息論壇，2023，38（6）：81-101.

［5］韓超，周兵.基于時變Copula-CoVaR商業銀行系統性金融風險溢出分析［J］.西南師范大學學報（自然科學版），2019，44（8）：72-77.

［6］李守偉，解一葦，楊坤，等.商業銀行多層網絡結構對系統性風險影響研究［J］.東南大學學報（哲學社會科學版），2019，21（4）：77-84，147.

［7］謝賢君，郁俊莉.跨境融資宏觀審慎管理與商業銀行系統性風險［J］.金融與經濟，2023，551（6）：3-15.

［8］郭品，程茂勇，沈悅.金融科技發展對銀行系統性風險的影響：理論機制與經驗證據［J］.當代經濟科學，2023，45（5）：15-29.

［9］方意，王晏如.金融科技媒體情緒與銀行系統性風險［J］.中山大學學報（社會科學版），2023，63（3）：190-206.

［10］程小慶，葛璐瀾.銀行系統性風險與宏觀審慎評估體系有效性分析［J］.統計與決策，2020，36（19）：146-151.

［11］顧海峰，卞雨晨.數字金融會影響銀行系統性風險嗎？——基于中國上市銀行的證據［J］.中國軟科學，2022， 374（2）：32-43.

［12］吳文洋，盧翠平，唐紳峰.金融創新與銀行系統性風險：敏感性、異質性及可接受性［J］.世界經濟研究，2022， 341（7）：120-134，137.

［13］WHITE H，KIM T H，MANGANELLI S.VAR for VaR：Measuring Tail Dependence Using Multivariate Regression Quantiles［J］.Journal of Econometrics，2015，187（1）：169-188.

［14］孫琪.經濟政策不確定性對系統性風險的影響機制研究［J］.財會月刊，2018，838（18）：155-162.

［15］馮燕妮，莫璇，李翔.經濟政策不確定性能否驅動股市系統性風險？——基于貝葉斯估計的時變beta檢驗［J］.中央財經大學學報，2020，394（6）：29-38.

［16］蔣海，王溢凡，吳文洋.經濟政策不確定性、網絡關聯性與銀行業系統性風險——基于中國上市銀行的實證檢驗［J］.金融經濟學研究，2021，36（6）：3-17.

［17］李洋，佟孟華，褚翠翠.經濟政策不確定性與系統性金融風險傳染——基于中國上市金融機構微觀數據的經驗證據［J］.金融經濟學研究，2021，36（4）：31-47.

［18］周亮，李紅權.經濟不確定性能否有效預測系統性金融風險？［J］.財經問題研究，2022，459（2）：52-62.

［19］DEMIR E，DANISMAN G O. The Impact of Economic Uncertainty and Geopolitical Risks on Bank Credit［J］.The North American Journal of Economics and Finance，2021（prepublish）.

［20］黃大禹，凌丹，鄒夢婷.經濟政策不確定性與商業銀行績效——結構特征、影響機制與治理［J］.上海經濟研究，2022（8）：60-78.

［21］劉鳳根，王一丁，王大軍.經濟政策不確定性與系統性金融風險：研究脈絡與展望［J］.金融理論探索，2023（4）：52-59.

［22］張琳，廉永輝，方意.政策連續性與商業銀行系統性風險［J］.金融研究，2022（5）：95-113.

［23］童中文，鄒靜，周紹東.媒體效應對銀行系統性風險的影響［J］.統計與信息論壇，2016，31（2）：28-34.

［24］佟孟華，于建玲，朱芳燕.投資者情緒對中國上市金融機構系統性風險的影響［J］.投資研究，2018，37（11）：4-15.

［25］宋玉臣，李洋.區制轉換視閾下系統性風險的積聚、釋放與化解——基于投資者情緒驅動的視角［J］.財經科學，2020，391（10）：1-12.

［26］邢紅衛，王漢瑛.股價暴跌的誘導因素分析［J］.系統工程，2021，39（5）：100-113.

［27］張宗新，陳瑩.系統性金融風險動態測度與跨部門網絡溢出效應研究［J］.國際金融研究，2022，417（1）：72-84.

［28］王周偉，張政.基于ARJI-GARCH模型的中國上市銀行跳躍風險傳染網絡研究［J］.上海商學院學報，2021，22（6）：69-86.

［29］王琳，沈沛龍.基于DCC-GARCH模型的中國上市銀行系統性風險研究［J］.財經理論與實踐，2017，38（1）：24-29.

［30］劉興華，余偉光，徐博.同業資產、資本監管與銀行系統性風險［J］.金融與經濟，2022（9）：14-29.

［31］KAUFMAN G，SCOTT K E.What Is Systemic Risk，and Do Bank Regulators Retard or Contribute to It？［J］.Independent Review，2003，7（3）：371－391．

［32］戴淑庚，林濱釗，余博.金融開放、銀行關聯度與我國銀行系統性風險［J］.吉林大學社會科學學報，2022，62（5）：101-117，237.

［33］宮曉莉，熊熊，張維.我國金融機構系統性風險度量與外溢效應研究［J］.管理世界，2020，36（8）：65-83.

［34］顏廷峰，袁安妮，徐旭初.互聯網金融、政府干預與經濟增長質量——基于面板門限回歸模型的實證檢驗［J］.財政研究，2019（9）：47-61.

［35］楊子暉，陳雨恬，林師涵，等.我國金融機構尾部風險影響因素的非線性研究——來自面板平滑轉換回歸模型的新證據［J］.金融研究，2021（3）：38-57.

［36］王帥.投資者情緒對商業銀行風險承擔影響實證研究［J］.中南財經政法大學學報，2015（4）：95-101.

［37］王碧澄，夏球.系統性金融風險的防范與化解及對商業銀行的建議［J］.金融理論探索，2023（2）：35-41.

Economic Policy Uncertainty， Investor Sentiment and Bank Systemic Risk Contagion

Wang Zhouwei， Li Kaiqi

（School of Finance and Business， Shanghai Normal University， Shanghai 200234， China）

Abstract： Faced with the uncertainty of economic policies and investor sentiment， the banking industry needs to assume the responsibility of coping with the recession economy， resolving bank risks and achieving high-quality and stable economic growth. In this paper， MVMQ-CAViaR model is used to measure the systemic risk of listed banks from 2008 to 2021， and panel threshold regression model and panel smooth transformation model are constructed to study the marginal effect structure changes of economic policy uncertainty affecting the contribution of multiple contagion of systemic risk of banks under the role of investor sentiment transformation. The research shows that investor sentiment has significant regime-switching effect， which makes economic uncertainty affect the net marginal effect of multiple contagion contributions of bank systemic risk， and structural change occurs in the mode of index switching. The research of this paper provides a new perspective for correctly dealing with the relationship between economic policy uncertainty and bank systemic risk， and proposes that investors should keep rational emotions and the CBRC should improve the supervision system.

Key words： economic policy uncertainty; investor sentiment; bank systemic risk; risk contagion; Exponential Smooth Conversion Mode

（責任編輯：龍會芳；校對：盧艷茹）